Fugu-MT 論文翻訳(概要): Spatial-temporal Vehicle Re-identification

論文の概要: Spatial-temporal Vehicle Re-identification

arxiv url: http://arxiv.org/abs/2309.01166v1
Date: Sun, 3 Sep 2023 13:07:38 GMT
ステータス: 処理完了
システム内更新日: 2023-09-06 21:00:50.581569
Title: Spatial-temporal Vehicle Re-identification
Title（参考訳）: 時空間車両再識別
Authors: Hye-Geun Kim, YouKyoung Na, Hae-Won Joe, Yong-Hyuk Moon, Yeong-Jun Cho
Abstract要約: 信頼性の高いカメラネットワークトポロジを推定する空間時空間車両ReIDフレームワークを提案する。提案手法に基づいて,公開データセット(VeRi776)において,ランク1の精度の99.64%向上した。
参考スコア（独自算出の注目度）: 3.7748602100709534
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vehicle re-identification (ReID) in a large-scale camera network is important in public safety, traffic control, and security. However, due to the appearance ambiguities of vehicle, the previous appearance-based ReID methods often fail to track vehicle across multiple cameras. To overcome the challenge, we propose a spatial-temporal vehicle ReID framework that estimates reliable camera network topology based on the adaptive Parzen window method and optimally combines the appearance and spatial-temporal similarities through the fusion network. Based on the proposed methods, we performed superior performance on the public dataset (VeRi776) by 99.64% of rank-1 accuracy. The experimental results support that utilizing spatial and temporal information for ReID can leverage the accuracy of appearance-based methods and effectively deal with appearance ambiguities.
Abstract（参考訳）: 大規模カメラネットワークにおける車両再識別(ReID)は、公共安全、交通制御、セキュリティにおいて重要である。しかし、車両の外観の曖昧さのため、従来の外観に基づくReID方式は複数のカメラで車両を追跡することができないことが多い。この課題を克服するために,適応型Parzenウインドウ法に基づいて信頼性の高いカメラネットワークトポロジを推定し,融合ネットワークによる外観と空間的類似性を最適に組み合わせた空間時空間車両ReIDフレームワークを提案する。提案手法に基づいて,公開データセット(VeRi776)において,ランク1の精度の99.64%向上した。実験結果は,reidの空間的情報と時間的情報を活用することで,外観に基づく手法の精度を活用し,外観の曖昧さを効果的に処理できることを示す。

関連論文リスト

Object Re-identification via Spatial-temporal Fusion Networks and Causal Identity Matching [4.123763595394021]
空間時間融合ネットワークと因果同一性マッチング(CIM)を利用した新しいReIDフレームワークを提案する。本フレームワークは,提案した適応型Parzenウィンドウを用いてカメラネットワークトポロジを推定し,外観特徴と融合ネットワーク内の空間的時間的手がかりを組み合わせる。このアプローチは、VeRi776、Vine-3I、Market-1501を含むいくつかのデータセットで顕著な性能を示し、99.70%のランク1の精度と95.5%のmAPを達成した。
論文参考訳（メタデータ） (2024-08-10T13:50:43Z)
Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文参考訳（メタデータ） (2024-04-11T10:26:40Z)
Complete Solution for Vehicle Re-ID in Surround-view Camera System [10.10765191655754]
自動車再識別(Re-ID)は自律運転認識システムにおいて重要な要素である。魚眼カメラのユニークな構成のため、多くの写真フレームで同じ車両を識別することは困難である。我々の手法は、最先端の精度とリアルタイムのパフォーマンスを組み合わせたものである。
論文参考訳（メタデータ） (2022-12-08T07:52:55Z)
Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文参考訳（メタデータ） (2022-11-15T13:52:41Z)
Enhanced Vehicle Re-identification for ITS: A Feature Fusion approach using Deep Learning [0.0]
自動車の再識別はコンピュータビジョンとロボット工学の分野に関心を寄せている。本稿では,CCTVカメラで車両を再識別するためのフレームワークを開発した。このフレームワークは、CCTVカメラ20台で観測された81のユニークな車両識別を含むデータセットでテストされている。
論文参考訳（メタデータ） (2022-08-13T05:59:16Z)
Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文参考訳（メタデータ） (2022-05-16T12:14:42Z)
Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
論文参考訳（メタデータ） (2022-04-27T13:10:48Z)
Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文参考訳（メタデータ） (2021-09-16T13:10:27Z)
Vehicle Re-identification Method Based on Vehicle Attribute and Mutual Exclusion Between Cameras [7.028589578216994]
Re-ID結果を再ランクする車両属性ガイド法を提案する。車両の配向や車両のブランドなどに使われる。 CVPR 2021 AI City Challengeでは, 63.73%のmAPと76.61%の精度を達成した。
論文参考訳（メタデータ） (2021-04-30T10:11:46Z)
Discriminative Feature Representation with Spatio-temporal Cues for Vehicle Re-identification [0.0]
車両識別(re-ID)は、様々なカメラが様々な道路網で撮影したギャラリー画像から対象車両を発見し、マッチングすることを目的としている。車両用リIDのための新しい手がかり(DFR-ST)を用いた特徴表現を提案する。外観や時間的情報を含むことで、埋め込み空間で堅牢な特徴を構築することができる。
論文参考訳（メタデータ） (2020-11-13T10:50:21Z)
End-to-end Learning for Inter-Vehicle Distance and Relative Velocity Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文参考訳（メタデータ） (2020-06-07T08:18:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。